Antecedentes te oricos

Control difuso y sistemas basados en conocimiento

Ninguna tecnica de dise no para control en lazo cerrado puede proceder sin alg un cono-
cimiento implcito o explcito del proceso a controlar. El conocimiento es un modelo que
provee una estructura conceptual que captura aquellos aspectos del proceso que denen
su comportamiento de forma precisa.
Un sistema basado en conocimiento (KBS, por sus siglas en ingles) para control en
lazo cerrado, puede denirse de forma general como un sistema de control que mejora
el desempe no, la conabilidad y robustez del control, incorporando conocimiento que no
puede ser ingresado en el modelo analtico sobre el cual est a basado el dise no de un
algoritmo de control, y que usualmente se toma en cuenta mediante modos de operacion
manual, o por otros mecanismos auxiliares y de seguridad.
Un controlador basado en conocimiento (KBC) puede identicarse como un KBS al-
tamente especializado para desempe nar una tarea especca durante una fase particular
del ciclo de vida de un sistema de control de procesos. El ciclo de vida de un sistema de
control de procesos consta de tres fases: dise no, operaci on y mantenimiento. La fase de
operaci on constituye el campo particular de implementaci on de un KBC.
Los KBS enfocados al control de procesos cubren en mayor medida las siguientes
tareas:
Monitoreo del proceso
Diagn ostico de fallas
Planeaci on y programaci on
Control supervisorio
Existen dos usos principales de los KBS:
Un KBS para control supervisorio experto (SECS)
Un KBS para control experto directo (DECS)
En un SECS el KBS es usado fuera del lazo de control actuando como supervisor
de un elemento de control convencional, complementandolo en lugar de remplazarlo. El
rol supervisorio de un KBS es extender el rango de aplicacion de un controlador con-
vencional usando representaciones explcitas de conocimiento de control y heurstica de
auto-tuning y adaptaci on. Por tanto, el KBS reproduce el conocimiento y las habilidades
de un ingeniero de control en vez de las de un operador de proceso.
La necesidad de un SECS est a motivada cuando la mayora del conocimiento requerido
para construir un controlador convencional no est a asociado con el algoritmo de control
analtico, sino con la l ogica requerida para su funcionamiento apropiado.
1
En un DECS el KBS es usado en lazo cerrado, remplazando completamente al elemento
de control convencional. El KBS replica la estrategia de control manual del operador
del proceso empleando una base de reglas que determina la se nal de control de salida,
teniendo informaci on de las variables de salida del proceso. La necesidad de un KBS
as est a motivado si la naturaleza del proceso a controlar es tal que los modelos analticos
apropiados no existen o son inadecuados, pero el operador del proceso puede controlarlo
manualmente en un nivel satisfactorio.
Un ejemplo particular de los DECS son los llamados controladores difusos basados en
conocimiento (FKBC), los cuales emplean una tecnica de representaci on de conocimiento
y un motor de inferencia basado en logica difusa.
Un sistema de control difuso es un sistema experto en tiempo real, que implementa
parte de la experiencia de un operador humano o un ingeniero de proceso, la cual no se
presta a ser facilmente expresada en par ametros de un PID o ecuaciones diferenciales sino
en reglas de la forma situaci on/acci on.
Un FKBC emplea una base de conocimiento que consiste en la generaci on de reglas
de la forma
Si estado del proceso entonces salida de control
en lugar de las expresiones analticas que denen a los controladores convencionales.
La parte de estado del proceso es llamada el antecedente de la regla y contiene una
descripci on de la salida del proceso en el k-esimo instante de muestreo.
La parte de salida de control se llama consecuencia de la regla y contiene una des-
cripcion de la salida de control que debe ser producida dada la salida del proceso en el
antecedente.
En general, las ventajas del uso del control difuso est an dentro de las siguientes cate-
goras:
Permite la implementacion de conocimiento experto para obtener un mayor grado
de automatizacion
Se desempe na como un control no lineal robusto
Reduce el tiempo de desarrollo y mantenimiento
Es buena estrategia de marketing
Estructura de un FKBS
La estructura principal de un FKBS se ilustra en la gura 1 , y consiste de los siguientes
m odulos:
Normalizaci on: Ejecuta una transformaci on de escala que mapea los valores fsicos
de las variables de estado del proceso actual a un universo de discurso normalizado.
2
Se llama normalizado al dominio denido en el intervalo real [-1,1]. Esta transforma-
ci on tambien se utiliza para mapear el valor normalizado de la variable de control
de salida a su dominio fsico (desnormalizaci on de la salida).
Fuzzycacion: Realiza una fuzzycacion que convierte el valor crisp actual de
la variable de estado del proceso a un conjunto difuso, para hacerlo compatible
con el conjunto difuso representativo de las variables de estado del proceso en los
antecedentes de las reglas.
La eleccion del metodo de fuzzycacion depende del tipo de inferencia a utilizar.
Base de conocimiento: La base de conocimiento de un FKBS consta de una base
de datos y una base de reglas. La funci on b asica de la base de datos es proveer
la informaci on necesaria para el correcto funcionamiento del modulo de fuzzyca-
ci on, la base de reglas y el m odulo de defuzzycaci on. Esta informacion incluye los
conjuntos difusos (funciones de pertenencia), los dominios fsicos y sus factores de
escala.
La funci on basica de la base de reglas es representar en una forma estructurada la
poltica de control de un operador de proceso experimentado y/o un ingeniero de
control, en la forma de un conjunto de reglas.
Un teorema importante, propuesto por B. Kosko dice que cualquier funcion continua
no lineal puede ser aproximada de forma tan exacta como se desee con un conjunto
nito de reglas, variables y valores difusos. Sin embargo, no menciona cuantas reglas
se necesitan ni c omo pueden ser encontradas.
Motor de inferencia: Existen dos tipos b asicos de enfoques empleados en el dise no
de un motor de inferencia de un FKBS: (1) inferencia basada en composicion, y (2)
inferencia basada en reglas individuales.
De estas, el segundo tipo de inferencia es el predominante en aplicaciones de FKBS.
La funci on b asica de este tipo de inferencia es calcular el valor general de la variable
de control de salida basada en las contribuciones individuales de cada regla.
Defuzzycacion: Realiza la defuzzycacion, que convierte al conjunto difuso de
valores de la salida de control en un unico valor crisp.
Desnormalizaci on: Ejecuta la desnormalizacion de la salida, que mapea el valor
de la salida de control a su dominio fsico.
Conjuntos difusos
Un conjunto clasico es una coleccion de objetos de cualquier tipo. En teora de con-
juntos las nociones de conjunto y elemento son primitivos, es decir, no est an denidos en
terminos de otros conceptos. Siendo A un conjunto, x A signica que x es un elemento
de A y x / A signica que x no pertenece al conjunto A. Un conjunto est a completa-
mente especicado por los elementos que contiene. Para cualquier elemento en el universo
3
Figura 1: Diagrama a bloques de un FKBS
de discurso puede denirse sin ambig uedad si pertenece al conjunto o no. Un conjunto
cl asico puede ser descrito ya sea enumerando sus elementos, o usando una implicaci on
P(x), lo cual signica cada elemento x del conjunto tiene la propiedad P.
Una tercera forma que es interesante con respecto a la extension de la teora de con-
juntos a la teora de conjuntos difusos es la denici on de un conjunto A usando su funcion
caracterstica
A
. Sea A denida en el dominio X.

A
: X [0, 1] es una funcion caracterstica del conjunto A ssi para todo x

A
(x) =

1, cuando x A
0, cuando x / B
En teora de conjuntos difusos, los conjuntos normalesson llamados crisp, para dis-
tinguirlos de los conjuntos difusos. Para cualquier conjunto crisp C es posible denir una
funci on caracterstica
C
: U {0, 1}. En teora de conjuntos difusos, la funci on carac-
terstica se generaliza a una funcion de pertenencia que asigna a cada u U un valor
del intervalo unitario [0, 1], en lugar del conjunto de dos valores {0, 1}. Al conjunto que
est a denido mediante una funcion de pertenencia es llamado un conjunto difuso.
La funcion de pertenencia
F
de un conjunto difuso F es una funci on

F
: U [0, 1]
As, cada elemento u de U tiene un grado de pertenencia
F
(u) [0, 1]. As, F
est a completamente denido por el conjunto de n-uplas
4
F = {(u,
F
(u)) | u U}
Una notaci on conveniente para los conjuntos difusos es, para F denida previamente
puede ser descrita como
F =
F
(u
1
)/u
1
+ +
F
(u
n
)/u
n
=
n

i=1

F
(u
i
)/u
i
En logica difusa existen diversas funciones de pertenencia tpicas, tales como:
Funcion trapezoidal
Funcion triangular
Funcion sigmoidea
Funcion Gaussiana
M as detalladamente, una funci on : U [0, 1] es una funci on triangular con tres
par ametros denida como
(u; , , ) =

0 u < ,
(u )/( ) u ,
( u)/( ) u ,
0 u >
Este tipo de funcion de pertenencia es tpica en control difuso.
La teora cl asica de conjuntos usa diversas operaciones. Sean A y B dos conjuntos
cl asicos en un universo U, entonces se pueden denir las operaciones:
Complemento de A, A

= {x | x / A}
Interseccion de A y B, A B = {x | x A and x B}
Union de A y B, A B = {x | x A or x B}
Entre otras
Estas operaciones simples estan denidas sin ambig uedades, sin embargo, en la teora
de conjuntos difusos su interpretaci on no es tan simple debido a las funciones caractersti-
cas utilizadas. Para resolver este problema, Zadeh propuso:

AB
(x) = min(
A
(x),
B
(x)) para interseccion

AB
(x) = max(
A
(x),
B
(x)) para uni on

A
(x) = 1
A
(x) para complemento
Esto es una extensi on simple de las operaciones clasicas de conjuntos, aunque existen
diversas proposiciones para tales operaciones en conjuntos difusos.
5
Variables ling usticas
El razonamiento aproximado es la forma mas conocida de l ogica difusa y cubre una
gran variedad de reglas de inferencia cuyas premisas contienen proposiciones difusas. La
inferencia se reere al c omputo de conjuntos difusos que representan el signicado de un
cierto conjunto de proposiciones difusas.
La unidad fundamental de representacion de conocimiento es la noci on de variable
ling ustica, la cual es una variable cuyos valores son palabras o enunciados en un lenguaje
natural o articial.
En el razonamiento aproximado, es usual tener el siguiente marco asociado con la
nocion de una variable ling ustica
X, LX, X, M
X

Donde X denota el nombre simbolico de una variable ling ustica. LX es el conjunto

de valores ling usticos que X puede tomar. Un elemento arbitrario de este conjunto es
llamado LX. X es el dominio fsico sobre el cual la variable X toma sus valores cuantita-
tivos (crisp). X puede ser continuo o discreto. M
X
es una funci on sem antica que da una
interpretaci on de un valor ling ustico en terminos de los elementos cuantitativos de X, es
decir,
M
X
: LX

LX
donde

LX =
LX
denota un conjunto difuso denido sobre X, esto es,

LX =

LX
(x)/x cuando X es discreto

LX =

LX
(x)/x cuando X es continuo
El razonamiento aproximado es utilizado para representar y razonar con conocimiento
expresado en atomicas primitivas, que son representadas en forma de lenguaje natural.
Basado en la nocion de proposiciones atomicas difusas y conexiones ling usticas co-
mo y, o, no y si entonces, uno puede formar proposiciones complejas llamadas
proposiciones difusas compuestas.
Inferencia y defuzzycacion
En el razonamiento aproximado, existen dos reglas de inferencia de mayor importancia,
la inferencia basada en composicion y el modus ponens generalizado, o inferencia basada en
reglas individuales. La primera usa una relaci on difusa para representar explcitamente la
conexi on entre dos proposiciones difusas, la segunda usa reglas Si-entonces que representa
implcitamente una relaci on difusa.
Inferencia basada en composicion.- La inferencia o disparo con esta relaci on
difusa es realizada mediante la operaci on de composici on entre la entrada crisp
6
fuzzycada y la relaci on difusa que representa el signicado del conjunto completo
de reglas.
Inferencia basada en reglas individuales.- En este caso, cada regla es disparada
individualmente. Este disparo puede ser descrito como: (1) el c alculo del grado
de correspondencia entre la entrada crisp y los conjuntos difusos correspondientes
al antecedente de la regla y (2) cortando el conjunto difuso correspondiente a la
consecuencia de la regla en el nivel en el que la entrada crisp iguala al conjunto del
antecedente de la regla (gura 2). Finalmente los conjuntos recortados de la salida
de control de cada regla son unidos, formando el conjunto de la salida de control
completa.
Figura 2: Representacion gr aca el disparo de reglas
Usualmente se preere el segundo tipo de inferencia puesto que es computacionalmente
muy eciente y ocupa menos memoria.
Los dos tipos anteriores son equivalentes para la inferencia tipo Mamdani. Con respecto
al control difuso, este es el tipo de implicacion m as importante. Su denici on est a basada
en la operaci on de intersecci on. La relacion esta denida como

R
(x, y) = min(
A
(x),
A
(y))
Considerando un conjunto de n reglas y usando una inferencia tipo Mamdani, uno ob-
tiene los conjuntos difusos recortados

CLU
(1)
, . . . ,

CLU
(n)
que tienen que ser combinados
para obtener un conjunto difuso de salida

U,

U =
n

k=1

CLU
(k)
La forma m as sencilla de realizar la uni on es con la operacion de maximo.
Los metodos mas comunes de defuzzycacion son:
Centroide o centro de gravedad
7
Centro de sumas
Centro del area m as larga
Primero del m aximo
Medio del m aximo
Altura
De ellos, el metodo de centroide es el mejor conocido. Para el caso discreto, la salida
crisp u

resulta de la operaci on
u

l
i=1
u
i

U
(u
i
)

l
i=1

U
(u
i
)
Y para el caso continuo
u

U
u
i

U
(u
i
)

U

U
(u
i
)
Es de notar que este metodo de defuzzycacion toma en cuenta el area de

U como un
todo. Por tanto, si las areas de dos conjuntos recortados que constituyen

U se traslapan,
el traslape no es considerado en la formula anterior.
Modelo del motor de CD
Tpicamente, un modelo simple de un motor de CD es el siguiente
J + B = k

i (parte mecanica)
L

i + Ri = v v
f
(parte electrica)
con =

y v
f
= k
f

Donde
J es la inercia del rotor
es la velocidad angular
B es la fricci on del rotot
k

es una constante de proporcionalidad del torque

L es la inductancia de armadura
i es la corriente de armadura
8
R es la resistencia de armadura
v es la tensi on aplicada
v
f
es la fem producida
k
f
es la constante de proporcionalidad de la fem producida
es la posici on angular
Dado que el motor utilizado trabaja bajo una referencia de corriente, su modelo puede
quedar representado como en la gura 3.
Figura 3: Diagrama de bloques del motor de CD con retroalimentaci on de corriente
Reduciendo los bloques y realizando consideraciones para su uso a bajas frecuencias,
el modelo se puede simplicar a
G(s) =
(s)
u(s)
=
b
s(s + a)
Donde
a =
k

k
f
(R + k
v
)
+ B y b =
k

k
v

(R + k
v
)J
Puesto que es muy complicado medir de forma precisa todos estos par ametros, ademas
de que el modelo se ha simplicado y se han despreciado (total o parcialmente) din amicas
electricas, termicas, etc. la mejor forma de conocer los par ametros del modelo simplicado
de segundo orden es mediante un algoritmo de identicaci on.
As, el modelo aproximado parametrizado para utilizar en simulacion es
G(s) =
(s)
u(s)
=
50
s(s + 3)
9
Control de posici on
Dise no del controlador difuso
Las se nales involucradas en el controlador son las siguientes:
La se nal de error como entrada (e = r )
La se nal de la derivada del error como entrada ( e =

)
La se nal de control como salida (u)
Donde e es el error, r es la referencia de posici on, es la posici on angular y u es la
se nal de control.
La estrategia de control se baso en una ley tipo PD, expresada como
u = K
p
e + K
d
e
Para este controlador las variables ling usticas son:
Error (e)
Derivada del error ( e)
Control (u)
Y sus marcos asociados son de la forma:
E, LE, E, M
E

Donde
E es el nombre simb olico de la variable ling ustica error
LE es el conjunto de valores ling usticos que puede tomar E, expresados como LE,
y se listan a continuaci on
PG (Positivo Grande)
PP (Positivo Peque no)
ZO (Cero)
NP (Negativo Peque no)
NG (Negativo Grande)
E es su dominio, denido en el intervalo [-4,4].
M
E
son las funciones que mapean de los valores ling usticos LE a funciones de
pertenencia triangulares, denidas posteriormente.
10
Figura 4: Editor del Fuzzy Logic Toolbox de MATLAB
El dise no y desarrollo del controlador difuso se apoy o en el uso del Fuzzy Logic Toolbox
de MATLAB. La gura 4 muestra la interfaz del editor del toolbox.
En ella se denieron los siguientes aspectos importantes del controlador:
Inferencia tipo Mamdani
Operaci on Y con mnimo
Operaci on O con maximo
Defuzzycaci on por metodo de centroide
Asignaci on de dos se nales de entrada y una de salida
Posteriormente, se denio el tipo, cantidad, distribucion y nomenclatura de las fun-
ciones de pertenencia para cada se nal, tal como se muestra en las guras 5, 6 y 7.
A todas las se nales se les asignaron funciones de pertenencia triangulares con un punto
de cruce de 0.5, ya que en la literatura [1] se menciona que de esta forma se obtiene un
mejor desempe no para sistemas de hasta tercer orden.
La base de reglas del controlador se determin o a partir del conocimiento del compor-
tamiento de un controlador PD, y se muestra en la siguiente tabla.
11
Figura 5: Distribucion de las funciones de pertenencia para la se nal de entrada: error
Figura 6: Distribucion de las funciones de pertenencia para la se nal de entrada: derivada
del error
12
Figura 7: Distribuci on de las funciones de pertenencia para la se nal de salida: control
e / e NG NP ZO PP PG
PG ZO PP PG PG PG
PP NP ZO PP PG PG
ZO NG NP ZO PP PG
NP NG NG NP ZO PP
NG NG NG NG NP ZO
Estas reglas fueron generadas como se muestra en la gura 8.
Esta base de reglas forma una supercie de control, la cual puede apreciarse claramente
en la gura 9.
El toolbox permite realizar pruebas del controlador estando fuera de lnea, permitiendo
asignar valores a las entradas y observar la forma en la que se dispara cada regla. Tambien
es posible ver el conjunto difuso de salida, as como su valor crisp nal despues de la
defuzzycaci on. Este proceso se observa en la gura 10.
13
Figura 8: Listado de la base de reglas
Figura 9: Supercie de salida del controlador difuso
14
Figura 10: Disparo de reglas
Simulaci on
Para simular los resultados del controlador difuso aplicado al modelo matem atico del
motor de CD se utilizo MATLAB/Simulink. En la gura 11 se muestra el diagrama a
bloques que muestra la construcci on de tres controladores aplicados al mismo modelo. El
motivo de esto fue poder comparar el desempe no del controlador difuso contra un control
convencional tipo PD y un I-PD. Una vez sintonizados los PD e I-PD de tal forma que se
obtuviera una respuesta lo mas r apida posible y sin sobretiros, se ajustaron los factores
de escala del control difuso para poder igualar o superar su desempe no.
La gura 12 muestra una comparativa entre las salidas de los tres tipos de controladores
adem as de la referencia utilizada (onda cuadrada de amplitud 0.5 @ 0.2 Hz). En la gura
se puede observar que el control difuso presenta un desempe no muy bueno, similar a los
otros controladores.
La gura 13 presenta una comparativa entre las se nales de control de los tres controla-
dores. Ah se observa que el control difuso tiene el gran inconveniente que para obtener el
desempe no deseado debe emplearse una se nal de control con un pico de amplitud bastante
grande. Aplicar este tipo de entradas al motor fsico podra llegar a da narlo, o al menos,
ir reduciendo su vida util.
15
Figura 11: Diagrama de bloques de un control difuso, PD e I-PD para control de posici on
16
Figura 12: Comparativa de se nales de salida del modelo aplicando control difuso, PD, e
I-PD
Figura 13: Comparativa de se nales de control aplicando control difuso, PD, e I-PD
17
Implementaci on
Para poder implementar en tiempo real el control difuso dise nado se utiliz o el software
de WinCon en conjunto con MATLAB/Simulink. En este caso, la unica diferencia con
respecto a los diagramas de simulaci on es el cambio del bloque del modelo por el bloque
que permite la comunicaci on directa con el sistema real.
La gura 14 presenta el diagrama a bloques del control difuso implementado al motor
de CD.
Como normalmente sucede, la respuesta del sistema con el controlador difuso no fue
exactamente la misma que con el dise no de simulaci on. Esta situacion es propiciada ge-
neralmente por las simplicaciones y suposiciones hechas en el modelo. A pesar de ello se
obtuvo una muy buena aproximaci on al desempe no deseado tan solo variando ligeramente
los factores de escala de las entradas.
La gura 15 muestra el comportamiento del sistema real controlado mediante el sistema
difuso. En la gura se observa un ligero error en estado estacionario tpico en un control
que no incluye un termino integral.
A diferencia del sistema de simulaci on, en la implementacion en el sistema real se
obtuvo una se nal de control mucho menor, apenas superior a los 2 A. Aunque parece un
pico de corriente importante no tiene graves consecuencias considerando que la corriente
nominal del motor de CD empleado es de 1.3 A. Esta se nal de control se puede observar
en la gura 16.
Figura 14: Diagrama de bloques del control difuso aplicado al sistema real
18
Figura 15: Se nal de salida del sistema real aplicando control difuso
Figura 16: Se nal de control aplicando control difuso
19
Control de velocidad
Simulaci on
Para el control de velocidad se utilizo exactamente el mismo controlador que para el
control de posici on.
Las diferencias principales con respecto al control de posicion es que las se nales de
entrada y salida al controlador se denen como
El error como entrada (e = R )
La derivada del error como entrada ( e = )
La derivada del control como salida ( u)
Donde R es la referencia de velocidad, es la velocidad angular obtenida del tac ometro
y es la aceleracion angular obtenida mediante una aproximaci on de la derivada de
usando ltros.
En la gura 17 se muestra el diagrama a bloques de la simulaci on del control de
velocidad utilizando el control difuso, comparado con el desempe no de un control PD y
un I-PD.
En la gura 18 puede observarse de forma comparativa el desempe no de diversos
controladores para control de velocidad.
En la gura 19 presenta las se nales de control de los sistemas comparados previamente.
Aqu se muestra que el controlador difuso presenta picos importantes en los puntos de
transici on, adem as de ser una se nal ruidosa.
20
Figura 17: Diagrama de bloques de un control difuso, PD e I-PD para control de velocidad
21
Figura 18: Comparativa de se nales de salida del modelo aplicando control difuso, PD, e
I-PD
Figura 19: Comparativa de se nales de control aplicando control difuso, PD, e I-PD
22
Implementaci on
En el caso de la implementacion del control de velocidad, de igual forma que en el
de posici on, fue necesario modicar los factores de escala de las entradas con respecto al
diagrama de simulacion. El diagrama a bloques utilizado se muestra en la gura 20.
En la gura 21 se puede observar el resultado del uso del controlador difuso para
control de velocidad. Una caracterstica importante es la cantidad de ruido de la se nal de
salida, y la presencia de algunos picos. A pesar de que el ruido y los picos no son de una
amplitud considerable, son evidentes comparados con la salida de control de posici on.
En la gura 22 se presenta la se nal de control, la cual es bastante ruidosa, pudiendo
deberse al uso de se nales de entrada igualmente ruidosas provenientes del tac ometro y del
estimador de su derivada. Intuitivamente podra considerarse que la se nal de control ideal
sera una se nal cuadrada de 50 mA.
Figura 20: Diagrama de bloques del control difuso aplicado al sistema real
23
Figura 21: Se nal de salida del sistema real aplicando control difuso
Figura 22: Se nal de control aplicando control difuso
24
Conclusiones
A partir del trabajo de simulacion se puede concluir que el control difuso aplicado a
un motor de CD funciona de forma apropiada, con un comportamiento muy similar al de
un PD o un I-PD convencional.
Al implementar el control en tiempo real, se obtuvieron resultados no tan buenos como
en simulaci on, que pueden adjudicarse a las incertidumbres parametricas con respecto al
modelo utilizado, as como a las aproximaciones de las derivadas mediante ltros y al
uso de se nales ruidosas (tac ometro principalmente). A pesar de estos inconvenientes, el
desempe no del control es aceptable.
A pesar de era posible obtener mejores tiempos de subida sin oscilaciones y otras
ventajas en el desempe no, no se modicaron los par ametros del controlador, ya que esto
implicaba se nales de control con picos de corriente muy superiores a los valores nominales
del sistema, las cuales podran da narlo.
Aunque pudieron utilizarse funciones de pertenencia de distintas formas y distribucio-
nes, se preri o utilizar el sistema recomendado en la literatura, con el cual se arma que
se obtiene un mejor desempe no general del sistema al utilizar funciones de pertenencia
simetricas y con punto de cruce de 0.5.
La principal dicultad al implementar el controlador difuso fue elegir adecuadamente
los factores de escala. Estos factores deberan ser f acilmente estimados por una persona
familiarizada con el motor de CD utilizado y la plataforma experimental en general.
Sin embargo, para una persona no experimentada pueden parecer simplemente como las
ganancias de un PID. Esto le resta ventajas al control difuso con respecto a un PID
convencional, ya que el control difuso se expone como un control mas sencillo e intuitivo
al utilizar lenguaje natural, pero no es tan evidente el conocimiento detallado necesario
de las variables a utilizar. Por esta situaci on, a un operador podra resultarle m as sencillo
implementar un PID y solo ajustar sus ganancias en base a la experiencia en lugar de
desarrollar todo un sistema difuso para el que se necesita conocer m as a fondo el sistema,
dado que se obtienen resultados muy similares en sistemas simples como el motor.
25
Bibliografa
[1] Dimiter Driankov, Hans Hellendorn, Michael Reinfrank
Introduction to fuzzy control.
Springer-Verlag
USA, 1996
[2] S. N. Sivanandam, S. Sumathi, S. N. Deepa
Introduction to fuzzy logic using MATLAB.
Springer-Verlag
Berlin, 2007
26